Datos y Machine Learning #4 de 30 en su categoría

Análisis del curso “Machine Learning y Data Science con Python” de Santiago Hernández: ¿vale la pena?

El curso de ML en español que mejor explica por qué funcionan los algoritmos, con un proyecto completo y casos de ciberseguridad; la evaluación de modelos no tiene sección propia.

Portada oficial del curso Machine Learning y Data Science: Curso Completo con Python

Qué promete y qué encontré al analizarlo

Machine Learning y Data Science: Curso Completo con Python es el curso de aprendizaje automático de Santiago Hernández, instructor especializado en inteligencia artificial y ciberseguridad. Promete enseñarte los fundamentos y las intuiciones matemáticas del machine learning desde un nivel muy básico, para luego aplicarlos a casos con datos reales, varios de ellos del ámbito de la ciberseguridad. Tiene más de 26 mil alumnos, 4,510 reseñas con un promedio de 4.71 y una actualización de septiembre de 2026.

Al revisar el temario, lo que más destaca es el orden. Antes de multiplicar algoritmos, el curso dedica 9 elementos a qué es el machine learning, presenta la regresión lineal y la logística, y después construye un proyecto completo (13 elementos). Solo entonces pasa a SVM, árboles y Random Forest, selección de características, clustering, modelos probabilísticos, detección de anomalías (12) y una introducción a redes neuronales. Son 30.8 horas en 127 clases, con un enfoque que la descripción resume bien: no es un curso para matemáticos, pero sí explica las ecuaciones a mano.

El temario, en resumen

  • Arranque (16 elementos): contexto y motivación, preparación del entorno de Python y las librerías básicas de data science y machine learning.
  • Fundamentos (33): qué es el machine learning (9), regresión lineal como primer modelo (7) y regresión logística y clasificación (17).
  • «Creación de un proyecto de Machine Learning» (13): el flujo completo de un proyecto real, colocado antes de ampliar el catálogo de algoritmos.
  • Algoritmos supervisados y características (32): SVM (10), árboles de decisión y Random Forest (15), y selección y extracción de características (7).
  • No supervisado y más allá (33): clustering (8), algoritmos basados en probabilidad (5), detección de anomalías (12) e introducción a redes neuronales y deep learning (8).

Puntos fuertes

  • Explica la intuición matemática sin exigirla. El único requisito es Python básico, y la descripción promete desarrollar las ecuaciones a mano y representarlas gráficamente. Para entender qué hace un modelo, y no solo llamarlo desde una librería, es el mejor equilibrio que encontramos en español.
  • Un proyecto completo con sección propia. Los 13 elementos de «Creación de un proyecto de Machine Learning» llegan temprano, justo después de los primeros modelos. Ese orden importa: aprendes el flujo de trabajo antes que el catálogo.
  • Detección de anomalías y ciberseguridad. 12 elementos dedicados a anomalías es raro en un curso general. Es útil más allá de la seguridad: fraude, monitoreo de sistemas o control de calidad.
  • Muy actual y bien valorado. Actualizado en septiembre de 2026, con 4.71 de promedio sobre 4,510 reseñas. Es el curso de ML más reciente de los que analizamos.

Aspectos mejorables

  • La evaluación no tiene sección propia. Ningún título menciona métricas, validación cruzada o sobreajuste. Lo más probable es que se traten dentro de los fundamentos y del proyecto, pero no puedes comprobar cuánto antes de comprar, a diferencia de Machine Learning de A a la Z, que les dedica tres secciones.
  • Faltan modelos que dominan en la industria. No aparece gradient boosting (XGBoost, LightGBM o similares), que hoy es la referencia en datos tabulares, ni series de tiempo. Random Forest es lo más avanzado entre los modelos de árboles.
  • Redes neuronales solo como introducción. 8 elementos alcanzan para entender la idea, no para trabajar con deep learning. El propio instructor tiene un curso dedicado para eso.
  • Poca práctica evaluada y un subtítulo optimista. Hay 2 cuestionarios y ningún ejercicio de código: la práctica consiste en reproducir los casos. Con eso, «conviértete en un experto», como dice el subtítulo, es mucho prometer.

Conclusión honesta

Si quieres entender el machine learning y no solo usarlo, este es el curso que recomendaría en español. Explica la intuición matemática con paciencia, ordena bien los temas y está recién actualizado. Frente a Machine Learning de A a la Z, cubre menos algoritmos pero con más fundamento y solo en Python; frente al curso completo de Juan Gabriel Gomila, pide menos base previa (Python básico, frente a cursos previos de álgebra lineal y estadística) y está más actualizado.

Para usarlo en un trabajo real, complementa la evaluación de modelos y el gradient boosting con documentación o un curso específico, y practica con tus propios datos. La continuación natural es Inteligencia Artificial y Deep Learning desde cero, del mismo instructor y con el mismo estilo.

8.4

Puntaje final: 8.4/10 · Muy bueno

Para quien sabe Python básico y quiere entender de verdad cómo funcionan los algoritmos de machine learning, con casos reales. Menos indicado si buscas ejercicios evaluados o técnicas de producción como gradient boosting y despliegue.

Este curso sí es para ti si…

  • Sabes Python básico y quieres entender las matemáticas sin ser matemático
  • Prefieres un curso ordenado que construye un proyecto completo temprano
  • Te interesan la detección de anomalías o la ciberseguridad
  • Quieres un curso de ML actualizado en 2026

Mejor busca otro curso si…

  • Buscas un catálogo amplio de algoritmos, incluidos reglas de asociación o reinforcement learning
  • Necesitas ejercicios de código evaluados para comprobar tu avance
  • Quieres llegar a XGBoost, series de tiempo o despliegue de modelos

Machine Learning y Data Science: Curso Completo con Python

Santiago Hernández

  • 30.8 h
  • 4.7 en Udemy
Ver el curso en Udemy

Enlace directo a Udemy. Esta reseña no está patrocinada. Consulta el precio actual en Udemy.

Preguntas frecuentes

¿Cuántas matemáticas necesito?

El único requisito formal es Python básico. El curso construye las intuiciones matemáticas desde cero y de forma gráfica. Tener frescas el álgebra y la estadística de bachillerato ayuda, pero no es indispensable.

¿Sirve si no me interesa la ciberseguridad?

Sí. El núcleo es machine learning general: regresión, clasificación, árboles, clustering y un proyecto completo. La ciberseguridad aparece como dominio de varios casos prácticos y en la sección de detección de anomalías.

¿Cuánto tiempo lleva terminarlo?

Son 30.8 horas de video en 127 clases. Con 1 a 2 horas diarias y reproduciendo cada caso en tu computadora, calcula entre 4 y 8 semanas.

Roberto Delgado

Ingeniero en Sistemas Inteligentes

Analizo cursos de tecnología con el mismo criterio con el que evaluaría un sistema: qué promete, qué entrega y dónde falla. Si una reseña tiene un dato desactualizado, avísame y la corrijo.

8.4 Muy bueno
Ver en Udemy